Lógica y pensamiento crítico, pilares de la ingeniería en inteligencia artificial

Por Gabriela Romo Zamudio

Durante la sesión de mayo del Seminario de la Red Universitaria de Colaboración en Ingeniería de Software y Bases de Datos, la maestra Esther Martínez González, especialista en informática e inteligencia artificial, impartió la charla “Un camino desde el desarrollo de software a la ingeniería de inteligencia artificial: de la experiencia a un ideal”.

Compartió el recorrido personal y académico que la ha llevado a vincular el desarrollo de software con la inteligencia artificial (IA). Señaló que, aunque existe gran entusiasmo por estas nuevas herramientas, la mayoría de las personas sólo interactúa con modelos ya entrenados: “No estamos haciendo desarrollo en inteligencia artificial, estamos haciendo uso de la inteligencia artificial”, afirmó, y subrayó la necesidad de formar profesionales que pasen de usuarios a desarrolladores.

Destacó la importancia de adquirir bases sólidas en lógica y razonamiento, pues permiten entender cómo operan los modelos: “Para ser desarrollador en inteligencia artificial tienes que tener un mínimo conocimiento. Lo primero es conocer los sistemas basados en reglas y entender los distintos tipos de razonamiento”. Recordó que la disciplina ha evolucionado de los sistemas expertos a las redes neuronales, el deep learning y, más recientemente, a los modelos transformer que impulsaron la revolución de los grandes modelos de lenguaje (LLM).

Explicó que el avance de estas tecnologías estuvo limitado durante años por la capacidad de cómputo, lo que cambió radicalmente a partir de 2018: “Todo, todo es número. En donde estábamos frenados era en la capacidad de cómputo para entrenar esos modelos, pero ya teníamos la teoría”.

También abordó los tipos de aprendizaje en IA (supervisado, no supervisado y por refuerzo) y la necesidad de metodologías rigurosas para entrenar modelos. Recalcó la relevancia del trabajo con datos, de la programación en Python y del uso de librerías como TensorFlow y PyTorch.

Finalmente, llamó a reflexionar sobre los retos éticos y de transparencia: “Seguimos teniendo cajas negras. No sabemos cómo es el entrenamiento de muchos modelos… Por eso la explicabilidad es fundamental”. 

Concluyó que la ingeniería de IA debe asumirse como una disciplina integral que articula programación, matemáticas, ciencia de datos y gestión de proyectos, e hizo un llamado a mantener una postura crítica: “Debemos ser críticos en saber si realmente lo que nos proponen es la mejor aplicación para lo que necesitamos”.

El video de la sesión está disponible en el canal de la redisybd en YouTube.